简介变化检测是遥感图像分析中的核心任务这份项目源码面向遥感研究者与开发者聚焦基于多重形态学的高光谱图像变化检测算法实现。压缩包共 12 个文件约 1.3MB主体为 6 个 MATLAB 脚本.m另有 3 张流程示意 PNG、1 张效果图、1 个 md 和 1 个 txt 说明文件便于快速理解与运行。算法结合膨胀、腐蚀等形态学操作以及高光谱多波段的光谱与空间信息实现对地表变化区域的精确识别。资源包含可直接运行的 Demo 主程序、形态学处理与 PCA 特征提取函数配套 README 和分步流程图读者可从中掌握从图像预处理、特征提取、差异图生成到形态学操作的完整流程也可按需修改扩展用于环境监测、资源勘查等场景。目前已有 89 人学习/下载。1. 高光谱变化检测为什么需要多重形态学两时相高光谱影像直接逐波段求差听起来是很自然的入门代码但真跑一遍几乎没有一张能直接用的图几十到几百个波段里水汽吸收段噪声很大两次过境的太阳高度角与大气条件让整体反射率偏移配准错一个像素变化图边缘就会被“镶花边”。到这里变化检测已经不是“求差”问题而是“在噪声和误差中找出结构变化”的问题。多重形态学multiple morphological profiles是这类问题里最实用的转折点之一。它给每个像素构造邻域结构信息把“像素值”变成“像素与周边的结构关系”再用多尺度、多形状的结构元素捕捉不同地物尺寸的变化。这也是许多高光谱变化检测实战方案的核心套路先构造形态学特征空间再做差异分析。这篇笔记会从特征空间构建讲起用 PCA 降维配合形态学开闭重建生成扩展形态学剖面EMP再落到变化向量分析、阈值和后处理第 4 章集中说参数边界和翻车点。适合正在做遥感变化检测、地物分类、农业地块变化提取的工程师新手按代码走能复现熟手可以直接看第 2 章的参数细节和第 4 章的踩坑清单。2. 形态学特征空间构建从 PCA 到扩展形态学剖面直接对几百个波段全部做形态学操作是算力噩梦也没有必要。高光谱波段之间高度相关前几个主成分往往已经交代了绝大部分方差。常见做法是先 PCA 降维保留前 3 到 5 个主成分再对每个主成分做形态学开闭重建每个结构元素生成两条剖面开和闭最后沿波段轴堆叠成特征张量这就是扩展形态学剖面。这一步决定后续变化检测的上限。特征空间里如果还留着波段噪声和配准误差后面不管用什么阈值策略都会翻车。2.1 为什么用重建式形态学而不是普通开闭普通腐蚀加膨胀的开闭运算会改变地物轮廓相当于把图像“磨皮”对边缘和细小地物很不友好。变化检测里边缘伪影是最大的虚警来源所以优先用重建式开闭先腐蚀或膨胀生成 marker 图再做测地重建让结果既去除噪声又尽量保住物体边界。从实际效果看普通开闭在形态学特征空间里会给两时相带来额外的形状偏差重建式开闭得到的两条剖面在时间维上是更稳定的基元。很多把形态学特征喂给后续分类器的方案选的都是重建式这是实践里验证过的选择。2.2 生成 EMP 特征一份最小可运行的 Python 实现下面这段代码用 numpy、scikit-learn 和 scikit-image输入是一个高光谱立方体输出是堆叠好的特征张量尺寸为(h, w, 特征数)可以直接存成 npy 或者 tiff 供下一步差异分析使用。import numpy as np from sklearn.decomposition import PCA from skimage.morphology import disk, erosion, dilation, reconstruction def opening_by_reconstruction(img, selem): # 腐蚀出 marker再做测地重建到原图保留边界形状 marker erosion(img, selem) return reconstruction(marker, img, methoddilation) def closing_by_reconstruction(img, selem): # 膨胀出 marker再做测地重建到原图等效于保边的闭运算 marker dilation(img, selem) return reconstruction(marker, img, methoderosion) def build_emp(cube, n_components4, radii(2, 4, 8, 12)): 高光谱立方体 (h, w, bands) - 扩展形态学剖面 (h, w, feats) h, w, bands cube.shape # 1) PCA 降维按波段方向拉平成二维矩阵 pca PCA(n_componentsn_components) scores pca.fit_transform(cube.reshape(h * w, bands)) print(累计方差贡献: {:.4f}.format(pca.explained_variance_ratio_.sum())) # 2) 每个主成分图像逐个尺度做重建式开闭 feats [] for i in range(n_components): pc_image scores[:, i].reshape(h, w) for r in radii: selem disk(r) feats.append(opening_by_reconstruction(pc_image, selem)) feats.append(closing_by_reconstruction(pc_image, selem)) return np.stack(feats, axis-1)代码逻辑很直接先做 PCA把高光谱立方体变成几个二维主成分再对每个主成分分别做多尺度的重建式开运算和闭运算最后把所有剖面在通道维挤在一起。这样下来的特征数等于n_components * 2 * len(radii)按上面默认参数就是 16 个特征通道。参数说明里最值得调的三个值是n_components、radii和结构元素形状n_components一般取 3 到 5。判断标准是看输出的累计方差贡献能到 90% 以上就可以加更多主成分边际收益很小且计算量线性上涨。radii决定捕捉的地物尺度。按影像地面采样距离GSD来定0.5 米分辨率下半径 2 大约对应 1 米半径 12 约 6 米正好覆盖小房顶到中大建筑如果做农业地块变化radii 会更大一些。disk(r)比同尺寸的square(r)各向同性更好不会把变化方向带偏但计算贵一些。地物是明显条带结构的时候换成rectangle或diamond试试往往有惊喜。2.3 为什么“多重”才能覆盖变化尺度单一尺度结构元素只能检出特定尺寸的目标半径 2 的圆盘能捕捉到屋顶局部翻新但对整块耕地边界的变化无感半径 12 的圆盘能平滑掉大量小噪声但漏掉细碎变化。多重形态学的价值就是把这些尺度视角叠加起来让变化检测对不同尺度目标同时敏感。具体到尺度选择我一般按影像分辨率列一张参考表下面是经验值实际以你的数据和精标为准结构元素半径对应地物尺度GSD0.5m适合捕捉的变化2约 1 米屋顶修补、小棚屋搭建4约 2 米车辆、小型建筑附属结构8约 4 米中等建筑、田块边界12约 6 米大型建筑、耕地集中变化注意这句话这张表给的是形态学结构元素的作用半径不是实际地物周长。真正的最优尺度组合需要用精标数据去验别照搬网上参数。2.4 特征堆叠后的维度与内存估算特征通道数按公式线性增长4 个主成分、4 个尺度、开闭各一就是 32 个通道。如果 10000×10000 像素的影像float32 下是 32×10000×10000×4 字节算完约 12.8 GB单机内存已经吃紧。处理办法有两个方向一是分块计算把影像切块在内存里跑完再拼接二是减少堆叠量比如只对前 3 个主成分、3 个尺度做特征损失一点点精度但速度翻倍。还有一种更省的特征融合方式先把差分的特征算出来再堆叠而不是先堆叠两时相全部特征再差分内存占用会更友好。3. 变化向量分析从特征空间到变化图特征空间建好之后变化检测的核心就变成“怎么比较两时相特征”。逐波段欧氏距离是最常用的做法也叫变化向量分析CVA。它把每个像素两时相的 EMP 特征看成两个向量差的模长就是变化强度模长越大变化越显著。计算变化强度前有个容易忽略的动作把两时相影像的 EMP 特征都各自做一次标准化。否则某个尺度特征数值天然偏大会主导距离计算其他尺度的变化信号被稀释。3.1 变化强度图与阈值策略变化强度图生成后下一步是决定哪些像素算“发生变化”。常见做法有三类全局阈值法用 Otsu 自动取阈值适合变化面积占比适中的场景如果变化面积非常小Otsu 会把绝大多数像素划进变化类这时要人工干预。分位数阈值取强度图第 95 或 99 百分位作为阈值简单粗暴但稳定适合先看结果再调。带标签的监督方式如果手上有一批变化/未变化标签可以直接在强度图上做 ROC 曲线选择虚警率和检测率都合适的点这是最严谨的办法。实战里我一般先用分位数阈值出图看有没有明显区域性漏检再决定是否改用监督阈值。别一上来就迷信 Otsu它是全局假设遇到大区域云影残留就容易翻车。3.2 计算变化图的最小代码流程下面这段代码在前一节的 EMP 特征之上依次完成差分、阈值、连通域后处理直接输出一张二值变化图。import numpy as np from skimage.filters import threshold_otsu from scipy import ndimage def change_vector_diff(emp1, emp2): 两时相 EMP 特征逐像素欧氏距离 diff np.sqrt(np.sum((emp1 - emp2) ** 2, axis-1)) return diff def threshold_and_clean(diff, methodpercentile, clean_size50): if method otsu: th threshold_otsu(diff) else: # 经验分位数把变化强度最大的 5% 像素视为变化 th np.percentile(diff, 95) binary diff th # 删除面积小于 clean_size 像素的孤立变化区域压掉点状虚警 label_map, num ndimage.label(binary) sizes ndimage.sum(binary, label_map, range(num 1)) small (sizes clean_size)[label_map] binary[small] 0 return binary, th逻辑说明change_vector_diff完成了欧氏距离计算threshold_and_clean负责把连续强度图变成二值图并用连通域删除小斑块。ndimage.sum(binary, label_map, range(num1))把每个连通域的像素总数统计出来数量小于clean_size的连通域被直接置零这个后处理能干掉大量由传感器噪声产生的单像素虚警。参数上需要注意两点。第一点是threshold_otsu返回的阈值默认是全局的如果你的影像存在明显的局部光照差异先做块状局部阈值更稳。第二点是clean_size不是随便拍的它应该对应最小有意义变化目标的面积按 GSD 换算比如 0.5m 分辨率下 50 像素就是 12.5 平方米基本是一间小库房的面积。3.3 另辟路线两时相特征堆叠加分类器CVA 是无监督路线优点是快、不需要标注但对阈值敏感。业内也常用堆叠分类路线把两时相的 EMP 特征在通道维上拼接起来形成一个长度加倍的向量再用随机森林或者 SVM 去分类。这样模型可以从数据里学出“什么形态学特征组合意味着真实变化”而不是依赖人工定的距离和阈值。堆叠分类路线的代价是必须有人工标注的变化区域样本。它在建筑物变化检测里表现普遍比 CVA 高一个档次尤其在虚警率控制上。很多高光谱变化检测项目源码里同时保留了这两套入口一套快速出图一套配标签做精模型。3.4 变化图的后处理与矢量化二值变化图只是中间产品落地交付一般会做两步形态学开闭平滑掉毛刺然后用连通域分析生成地理对象的边界。如果拿到的特征空间是重建式开闭出来的毛刺本来就少后处理压力不大。这一步简单但不可跳过直接交二值栅格给制图团队通常会被说“图太碎”。4. 避坑指南形态学高光谱变化检测的 5 个常见翻车点第 2、3 章的流程跑通不难难的是结果能过业务这一关。下面 5 个问题是我在这个方向上做得最多的排障项按出现频率排序。4.1 辐射归一化没做伪变化满天飞现象两时相影像地物完全没变但变化图里大片出现斑块尤其植被和阴影区域。原因两期影像的大气条件、太阳高度角不同表观反射率整体偏移直接被距离计算当成变化。解决先做相对辐射归一化常见做法是直方图匹配把第二期影像的均值方差映射到第一期更好做法是做大气校正把 DN 值转成地表反射率。这个步骤放在 PCA 之前形态学特征空间就得在统一辐射基准上构建。4.2 结构元素尺度单一小变化全丢失现象建筑变化能出来但车辆、棚屋这类小目标全部漏检。原因尺度定死了半径 12 的结构元素天然平滑掉小于自身尺寸的目标。解决把半径组合拉宽比如(2, 4, 8, 16)而不是(8, 12)。同时注意多尺度带来的特征冗余要靠后面特征选择或降维处理别以为尺度越多越好。4.3 特征维度堆太高速度崩盘现象主成分 5 个、尺度 8 个、开闭各一特征通道 80 个训练随机森林时内存和耗时都爆炸。原因没做特征选择。解决先算两时相差分强度图看哪些尺度通道的响应最弱直接删掉或者用随机森林的特征重要性跑一轮预筛选保留 Top 10 通道再进正式流程。特征通道控制在 20 左右通常已经够用。4.4 数据类型和内存预估不足现象大影像计算到一半内存溢出程序被杀。原因高光谱波段多特征堆叠量按乘方增长float32 中间变量在 10000 像素级影像上轻松吃掉几十 GB。解决分块处理按行或者按 1024×1024 瓦片算算完的 EMP 特征用 float32 落盘不要全部常驻内存PCA 在主存里做特征堆叠在瓦片内做。4.5 配准误差在边界上留下“镶边”现象变化图里所有地物边缘都有一条细线。原因两时相影像没有严格配准亚像素偏移在地物边界处制造伪差异形态学窗口越大这种边界伪影越明显。解决先做配准刚性变换起步看边界线是否消失再上重建式形态学保留边界信息的同时缓解噪声。配准这道工序如果跳过了后面所有算法都白搭。5. 验证与进阶让变化图变成可信结论变化检测结果最怕的是没人能说清楚它准不准。有精标注场景下定量指标用全像素混淆矩阵总体精度OA、Kappa 系数、漏检率、虚警率四个必须一起看单看 OA 会被大面积未变化像素带偏因为未变化类占 90% 以上时全预测为“不变”OA 也能很高。没有精标注时验证靠交叉检查和人工抽查。把变化强度图跟两时相假彩色合成图叠在一起看变化区域应该在语义上对得上或者用高分辨率影像叠底抽 50 个变化图斑人工核对。定量报告里写清楚阈值策略和数据来源业务方才能采信。进阶方向上有两条线值得投入。第一是把 EMP 特征作为通用特征层接进深度学习模型作为输入通道和 RGB 或原始波段并列让网络自己学融合很多变化检测网络在输入层就是这么做的。第二是把多尺度形态学扩展到时域比如结合时间序列影像用形态学剖面做趋势分析可以识别渐进式变化比如植被退化而不只是两期间的突变。我自己的经验教训是第一次跑这个流程时跳过了辐射归一化直接拿原始 DN 值做形态学特征结果变化图里全是“光照变化”跟实际地物变化没有对应关系。后来把辐射归一化固化成第一步结果才稳定下来。如果你是从源码包拿到这个算法第一件事也应该是去看它输入前有没有做归一化和配准这几乎决定了项目成败。希望这篇笔记能帮你少走这段弯路把形态学变化检测真正用起来。本文还有配套的精品资源点击获取 高光谱变化检测实战：多重形态学与PCA构建扩展形态学剖面
简介变化检测是遥感图像分析中的核心任务这份项目源码面向遥感研究者与开发者聚焦基于多重形态学的高光谱图像变化检测算法实现。压缩包共 12 个文件约 1.3MB主体为 6 个 MATLAB 脚本.m另有 3 张流程示意 PNG、1 张效果图、1 个 md 和 1 个 txt 说明文件便于快速理解与运行。算法结合膨胀、腐蚀等形态学操作以及高光谱多波段的光谱与空间信息实现对地表变化区域的精确识别。资源包含可直接运行的 Demo 主程序、形态学处理与 PCA 特征提取函数配套 README 和分步流程图读者可从中掌握从图像预处理、特征提取、差异图生成到形态学操作的完整流程也可按需修改扩展用于环境监测、资源勘查等场景。目前已有 89 人学习/下载。1. 高光谱变化检测为什么需要多重形态学两时相高光谱影像直接逐波段求差听起来是很自然的入门代码但真跑一遍几乎没有一张能直接用的图几十到几百个波段里水汽吸收段噪声很大两次过境的太阳高度角与大气条件让整体反射率偏移配准错一个像素变化图边缘就会被“镶花边”。到这里变化检测已经不是“求差”问题而是“在噪声和误差中找出结构变化”的问题。多重形态学multiple morphological profiles是这类问题里最实用的转折点之一。它给每个像素构造邻域结构信息把“像素值”变成“像素与周边的结构关系”再用多尺度、多形状的结构元素捕捉不同地物尺寸的变化。这也是许多高光谱变化检测实战方案的核心套路先构造形态学特征空间再做差异分析。这篇笔记会从特征空间构建讲起用 PCA 降维配合形态学开闭重建生成扩展形态学剖面EMP再落到变化向量分析、阈值和后处理第 4 章集中说参数边界和翻车点。适合正在做遥感变化检测、地物分类、农业地块变化提取的工程师新手按代码走能复现熟手可以直接看第 2 章的参数细节和第 4 章的踩坑清单。2. 形态学特征空间构建从 PCA 到扩展形态学剖面直接对几百个波段全部做形态学操作是算力噩梦也没有必要。高光谱波段之间高度相关前几个主成分往往已经交代了绝大部分方差。常见做法是先 PCA 降维保留前 3 到 5 个主成分再对每个主成分做形态学开闭重建每个结构元素生成两条剖面开和闭最后沿波段轴堆叠成特征张量这就是扩展形态学剖面。这一步决定后续变化检测的上限。特征空间里如果还留着波段噪声和配准误差后面不管用什么阈值策略都会翻车。2.1 为什么用重建式形态学而不是普通开闭普通腐蚀加膨胀的开闭运算会改变地物轮廓相当于把图像“磨皮”对边缘和细小地物很不友好。变化检测里边缘伪影是最大的虚警来源所以优先用重建式开闭先腐蚀或膨胀生成 marker 图再做测地重建让结果既去除噪声又尽量保住物体边界。从实际效果看普通开闭在形态学特征空间里会给两时相带来额外的形状偏差重建式开闭得到的两条剖面在时间维上是更稳定的基元。很多把形态学特征喂给后续分类器的方案选的都是重建式这是实践里验证过的选择。2.2 生成 EMP 特征一份最小可运行的 Python 实现下面这段代码用 numpy、scikit-learn 和 scikit-image输入是一个高光谱立方体输出是堆叠好的特征张量尺寸为(h, w, 特征数)可以直接存成 npy 或者 tiff 供下一步差异分析使用。import numpy as np from sklearn.decomposition import PCA from skimage.morphology import disk, erosion, dilation, reconstruction def opening_by_reconstruction(img, selem): # 腐蚀出 marker再做测地重建到原图保留边界形状 marker erosion(img, selem) return reconstruction(marker, img, methoddilation) def closing_by_reconstruction(img, selem): # 膨胀出 marker再做测地重建到原图等效于保边的闭运算 marker dilation(img, selem) return reconstruction(marker, img, methoderosion) def build_emp(cube, n_components4, radii(2, 4, 8, 12)): 高光谱立方体 (h, w, bands) - 扩展形态学剖面 (h, w, feats) h, w, bands cube.shape # 1) PCA 降维按波段方向拉平成二维矩阵 pca PCA(n_componentsn_components) scores pca.fit_transform(cube.reshape(h * w, bands)) print(累计方差贡献: {:.4f}.format(pca.explained_variance_ratio_.sum())) # 2) 每个主成分图像逐个尺度做重建式开闭 feats [] for i in range(n_components): pc_image scores[:, i].reshape(h, w) for r in radii: selem disk(r) feats.append(opening_by_reconstruction(pc_image, selem)) feats.append(closing_by_reconstruction(pc_image, selem)) return np.stack(feats, axis-1)代码逻辑很直接先做 PCA把高光谱立方体变成几个二维主成分再对每个主成分分别做多尺度的重建式开运算和闭运算最后把所有剖面在通道维挤在一起。这样下来的特征数等于n_components * 2 * len(radii)按上面默认参数就是 16 个特征通道。参数说明里最值得调的三个值是n_components、radii和结构元素形状n_components一般取 3 到 5。判断标准是看输出的累计方差贡献能到 90% 以上就可以加更多主成分边际收益很小且计算量线性上涨。radii决定捕捉的地物尺度。按影像地面采样距离GSD来定0.5 米分辨率下半径 2 大约对应 1 米半径 12 约 6 米正好覆盖小房顶到中大建筑如果做农业地块变化radii 会更大一些。disk(r)比同尺寸的square(r)各向同性更好不会把变化方向带偏但计算贵一些。地物是明显条带结构的时候换成rectangle或diamond试试往往有惊喜。2.3 为什么“多重”才能覆盖变化尺度单一尺度结构元素只能检出特定尺寸的目标半径 2 的圆盘能捕捉到屋顶局部翻新但对整块耕地边界的变化无感半径 12 的圆盘能平滑掉大量小噪声但漏掉细碎变化。多重形态学的价值就是把这些尺度视角叠加起来让变化检测对不同尺度目标同时敏感。具体到尺度选择我一般按影像分辨率列一张参考表下面是经验值实际以你的数据和精标为准结构元素半径对应地物尺度GSD0.5m适合捕捉的变化2约 1 米屋顶修补、小棚屋搭建4约 2 米车辆、小型建筑附属结构8约 4 米中等建筑、田块边界12约 6 米大型建筑、耕地集中变化注意这句话这张表给的是形态学结构元素的作用半径不是实际地物周长。真正的最优尺度组合需要用精标数据去验别照搬网上参数。2.4 特征堆叠后的维度与内存估算特征通道数按公式线性增长4 个主成分、4 个尺度、开闭各一就是 32 个通道。如果 10000×10000 像素的影像float32 下是 32×10000×10000×4 字节算完约 12.8 GB单机内存已经吃紧。处理办法有两个方向一是分块计算把影像切块在内存里跑完再拼接二是减少堆叠量比如只对前 3 个主成分、3 个尺度做特征损失一点点精度但速度翻倍。还有一种更省的特征融合方式先把差分的特征算出来再堆叠而不是先堆叠两时相全部特征再差分内存占用会更友好。3. 变化向量分析从特征空间到变化图特征空间建好之后变化检测的核心就变成“怎么比较两时相特征”。逐波段欧氏距离是最常用的做法也叫变化向量分析CVA。它把每个像素两时相的 EMP 特征看成两个向量差的模长就是变化强度模长越大变化越显著。计算变化强度前有个容易忽略的动作把两时相影像的 EMP 特征都各自做一次标准化。否则某个尺度特征数值天然偏大会主导距离计算其他尺度的变化信号被稀释。3.1 变化强度图与阈值策略变化强度图生成后下一步是决定哪些像素算“发生变化”。常见做法有三类全局阈值法用 Otsu 自动取阈值适合变化面积占比适中的场景如果变化面积非常小Otsu 会把绝大多数像素划进变化类这时要人工干预。分位数阈值取强度图第 95 或 99 百分位作为阈值简单粗暴但稳定适合先看结果再调。带标签的监督方式如果手上有一批变化/未变化标签可以直接在强度图上做 ROC 曲线选择虚警率和检测率都合适的点这是最严谨的办法。实战里我一般先用分位数阈值出图看有没有明显区域性漏检再决定是否改用监督阈值。别一上来就迷信 Otsu它是全局假设遇到大区域云影残留就容易翻车。3.2 计算变化图的最小代码流程下面这段代码在前一节的 EMP 特征之上依次完成差分、阈值、连通域后处理直接输出一张二值变化图。import numpy as np from skimage.filters import threshold_otsu from scipy import ndimage def change_vector_diff(emp1, emp2): 两时相 EMP 特征逐像素欧氏距离 diff np.sqrt(np.sum((emp1 - emp2) ** 2, axis-1)) return diff def threshold_and_clean(diff, methodpercentile, clean_size50): if method otsu: th threshold_otsu(diff) else: # 经验分位数把变化强度最大的 5% 像素视为变化 th np.percentile(diff, 95) binary diff th # 删除面积小于 clean_size 像素的孤立变化区域压掉点状虚警 label_map, num ndimage.label(binary) sizes ndimage.sum(binary, label_map, range(num 1)) small (sizes clean_size)[label_map] binary[small] 0 return binary, th逻辑说明change_vector_diff完成了欧氏距离计算threshold_and_clean负责把连续强度图变成二值图并用连通域删除小斑块。ndimage.sum(binary, label_map, range(num1))把每个连通域的像素总数统计出来数量小于clean_size的连通域被直接置零这个后处理能干掉大量由传感器噪声产生的单像素虚警。参数上需要注意两点。第一点是threshold_otsu返回的阈值默认是全局的如果你的影像存在明显的局部光照差异先做块状局部阈值更稳。第二点是clean_size不是随便拍的它应该对应最小有意义变化目标的面积按 GSD 换算比如 0.5m 分辨率下 50 像素就是 12.5 平方米基本是一间小库房的面积。3.3 另辟路线两时相特征堆叠加分类器CVA 是无监督路线优点是快、不需要标注但对阈值敏感。业内也常用堆叠分类路线把两时相的 EMP 特征在通道维上拼接起来形成一个长度加倍的向量再用随机森林或者 SVM 去分类。这样模型可以从数据里学出“什么形态学特征组合意味着真实变化”而不是依赖人工定的距离和阈值。堆叠分类路线的代价是必须有人工标注的变化区域样本。它在建筑物变化检测里表现普遍比 CVA 高一个档次尤其在虚警率控制上。很多高光谱变化检测项目源码里同时保留了这两套入口一套快速出图一套配标签做精模型。3.4 变化图的后处理与矢量化二值变化图只是中间产品落地交付一般会做两步形态学开闭平滑掉毛刺然后用连通域分析生成地理对象的边界。如果拿到的特征空间是重建式开闭出来的毛刺本来就少后处理压力不大。这一步简单但不可跳过直接交二值栅格给制图团队通常会被说“图太碎”。4. 避坑指南形态学高光谱变化检测的 5 个常见翻车点第 2、3 章的流程跑通不难难的是结果能过业务这一关。下面 5 个问题是我在这个方向上做得最多的排障项按出现频率排序。4.1 辐射归一化没做伪变化满天飞现象两时相影像地物完全没变但变化图里大片出现斑块尤其植被和阴影区域。原因两期影像的大气条件、太阳高度角不同表观反射率整体偏移直接被距离计算当成变化。解决先做相对辐射归一化常见做法是直方图匹配把第二期影像的均值方差映射到第一期更好做法是做大气校正把 DN 值转成地表反射率。这个步骤放在 PCA 之前形态学特征空间就得在统一辐射基准上构建。4.2 结构元素尺度单一小变化全丢失现象建筑变化能出来但车辆、棚屋这类小目标全部漏检。原因尺度定死了半径 12 的结构元素天然平滑掉小于自身尺寸的目标。解决把半径组合拉宽比如(2, 4, 8, 16)而不是(8, 12)。同时注意多尺度带来的特征冗余要靠后面特征选择或降维处理别以为尺度越多越好。4.3 特征维度堆太高速度崩盘现象主成分 5 个、尺度 8 个、开闭各一特征通道 80 个训练随机森林时内存和耗时都爆炸。原因没做特征选择。解决先算两时相差分强度图看哪些尺度通道的响应最弱直接删掉或者用随机森林的特征重要性跑一轮预筛选保留 Top 10 通道再进正式流程。特征通道控制在 20 左右通常已经够用。4.4 数据类型和内存预估不足现象大影像计算到一半内存溢出程序被杀。原因高光谱波段多特征堆叠量按乘方增长float32 中间变量在 10000 像素级影像上轻松吃掉几十 GB。解决分块处理按行或者按 1024×1024 瓦片算算完的 EMP 特征用 float32 落盘不要全部常驻内存PCA 在主存里做特征堆叠在瓦片内做。4.5 配准误差在边界上留下“镶边”现象变化图里所有地物边缘都有一条细线。原因两时相影像没有严格配准亚像素偏移在地物边界处制造伪差异形态学窗口越大这种边界伪影越明显。解决先做配准刚性变换起步看边界线是否消失再上重建式形态学保留边界信息的同时缓解噪声。配准这道工序如果跳过了后面所有算法都白搭。5. 验证与进阶让变化图变成可信结论变化检测结果最怕的是没人能说清楚它准不准。有精标注场景下定量指标用全像素混淆矩阵总体精度OA、Kappa 系数、漏检率、虚警率四个必须一起看单看 OA 会被大面积未变化像素带偏因为未变化类占 90% 以上时全预测为“不变”OA 也能很高。没有精标注时验证靠交叉检查和人工抽查。把变化强度图跟两时相假彩色合成图叠在一起看变化区域应该在语义上对得上或者用高分辨率影像叠底抽 50 个变化图斑人工核对。定量报告里写清楚阈值策略和数据来源业务方才能采信。进阶方向上有两条线值得投入。第一是把 EMP 特征作为通用特征层接进深度学习模型作为输入通道和 RGB 或原始波段并列让网络自己学融合很多变化检测网络在输入层就是这么做的。第二是把多尺度形态学扩展到时域比如结合时间序列影像用形态学剖面做趋势分析可以识别渐进式变化比如植被退化而不只是两期间的突变。我自己的经验教训是第一次跑这个流程时跳过了辐射归一化直接拿原始 DN 值做形态学特征结果变化图里全是“光照变化”跟实际地物变化没有对应关系。后来把辐射归一化固化成第一步结果才稳定下来。如果你是从源码包拿到这个算法第一件事也应该是去看它输入前有没有做归一化和配准这几乎决定了项目成败。希望这篇笔记能帮你少走这段弯路把形态学变化检测真正用起来。本文还有配套的精品资源点击获取